[논문 리뷰] Enterprise Resource Planning Using Multi-type Transformers in Ferro-Titanium Industry

Samira Yazdanpourmoghadam, Mahan Balal Pour외 1명|arXiv (Cornell University)|2026. 01. 28.

Scheduling and Optimization Algorithms인용 수 0

한 줄 요약

본 논문은 다형류 변환기(Multi-Type Transformer, MTT)를 활용하여 ERP에서의 Knapsack(배낭 문제)과 Job-Shop Scheduling(JSP) 문제를 해결하고, 표준 인스턴스에서 OR 솔버와 비교 벤치마킹하며 Ferro-Titanium 산업 적용 사례에서 검증하여 빠른 추론 속도와 경쟁적인 격차를 보임을 제시한다.

ABSTRACT

Combinatorial optimization problems such as the Job-Shop Scheduling Problem (JSP) and Knapsack Problem (KP) are fundamental challenges in operations research, logistics, and eterprise resource planning (ERP). These problems often require sophisticated algorithms to achieve near-optimal solutions within practical time constraints. Recent advances in deep learning have introduced transformer-based architectures as promising alternatives to traditional heuristics and metaheuristics. We leverage the Multi-Type Transformer (MTT) architecture to address these benchmarks in a unified framework. We present an extensive experimental evaluation across standard benchmark datasets for JSP and KP, demonstrating that MTT achieves competitive performance on different size of these benchmark problems. We showcase the potential of multi-type attention on a real application in Ferro-Titanium industry. To the best of our knowledge, we are the first to apply multi-type transformers in real manufacturing.

연구 동기 및 목표

• ERP 관련 NP-hard 문제인 KP와 JSP에 대한 신경망 조합 최적화의 필요성 동기 부여.
• 이질적 문제 구조를 처리하기 위한 유형별 주의(attention)를 갖춘 단일 그래프 기반 MTT 프레임워크 제안.
• 표준 KPI 벤치마크 및 실제 Ferro-Titanium 산업 적용 사례에서 MTT 평가.
• 정확한 솔버와의 비교를 통한 실제 해질의 질과 속도 및 일반화 가능성 논의.

제안 방법

• MTT 백본에서 유형별 주의를 갖는 이질적 그래프로 KP와 JSP를 표현.
• 문제 구조를 학습하고 고품질 해를 생성하기 위한 다중 유형 트랜스포머 아키텍처 사용.
• 다양한 규모의 표준 KP 및 JSP 인스턴스에서 OR 솔버와의 벤치마킹.
• Ferro-Titanium 물질 적재 문제를 KP로 매핑하기 위한 데이터 변환 및 비용 재정규화 적용.
• GPU(NVIDIA A100)에서의 최적성 격차 및 런타임 측정으로 실용성 평가.

Figure 1: Overview of the unified MTT pipeline for ERP optimization, KP and JSP are represented using heterogeneous graphs and solved using a shared Transformer backbone with type-specific attention.

실험 결과

연구 질문

• RQ1 MTT가 증가하는 인스턴스 크기에서 0-1 Knapsack 및 Job-Shop Scheduling에 대해 경쟁력 있는 최적성 차이를 달성할 수 있는가?
• RQ2 unified 이질 그래프 변환기가 ERP 맥락 내 포장 및 일정 작업에 일반화되는가?
• RQ3 전통적 솔버에 비해 실제 산업 문제에서 MTT의 격차와 속도 성능은 어떠한가?
• RQ4 산업적 목표(cost minimization)와 MTT의 최대화 프레임워크를 정렬시키기 위한 어떤 데이터 변환이 효과적인가?

주요 결과

문제	크기	OR 솔버	MTT	최적성 차이	소요 시간(초)
KP	50	24040	23996	0.0019	16
KP	60	27343	27292	0.0019	23
KP	70	30074	30041	0.0011	33
KP	80	32458	32411	0.0015	45
KP	90	34723	34676	0.0014	59
KP	100	36531	36490	0.0011	78
JSP	5×5	410	421	0.027	23
JSP	6×6	502	515	0.024	58
JSP	7×7	580	594	0.025	131
JSP	8×8	653	673	0.031	268
JSP	9×9	726	752	0.035	516
JSP	10×10	817	849	0.039	921

• MTT는 Knapsack의 경우 크기 50–100에서 최적성 차이가 약 0.001 수준으로 나타났다(OR 솔버 기준).
• MTT는 JSP의 경우 5×5에서 10×10 사이에서 상대적 비교대상인 조합적 솔버에 비해 약 0.02–0.03의 최적성 차이를 보였다.
• Ferro-Titanium 적용에서 MTT는 0.025에서 0.029 사이의 안정적인 최적성 차이를 유지하며 GPU에서 인스턴스당 1초 이내의 거의 최적 부하 계획을 제공했다.
• MTT를 MTT 최대화 목적에 맞추도록 변환한 KP 적용은 항목 수가 증가(N = 50–100)해도 일관된 성능을 보였으며 표 2에서 0.026–0.029의 격차를 보인다.
• MTT는 빠른 추론과 경쟁력 있는 해 질을 보여주며, 학습 기반 워밍 스타트 및 어댑터를 결합하면 산업용 ERP 최적화의 가능성을 시사한다.

Figure 2: Schematic illustration of combinatorial problems studied, the visualization of KP (left panel), and JSP (right panel).